何が起きたか

Google（グーグル）は2026年9月23日、Gemini 3.8 Flash TTSとGemini 3.8 Flash-Lite TTSという二つの音声生成モデルを発表しました。公式発表によると、前者は声をゼロから作り、台詞ごとに演技を指示する創作向けです。後者は大量の吹き替えや音声サービスを効率よく処理する用途を狙います。

Flash TTSでは、自然な文章の指示だけで、役柄、アクセント、声の特徴を組み合わせられます。100以上の言語と方言に対応し、2,000以上の用意された声も使えると説明されています。30秒の音声サンプルから声の特徴を再現する音声複製にも対応しますが、利用者が自分の声か、使う権利を持つ声であることが条件です。声の持ち主の同意録音を照合する仕組みも入ります。

背景

TTS（text-to-speech）は、文字を音声に変える技術です。今回の発表でGoogleが強調するのは、決められた声を選ぶだけでなく、声と演技を細かく設計できる点です。台詞ごとに速さ、感情、方言の変化、間の取り方を指示できます。二人の会話を一つの台本から作り、長い音声でも話者の声が変わりにくいようにする機能も示されています。

なぜ重要か

音声生成の価値が、単に聞き取りやすい声を出すことから、作品の場面に合わせて演じることへ広がります。ゲームの登場人物、オーディオブック、ポッドキャスト、リアルタイムの音声エージェントなどで、同じ声を保ちながら場面ごとの演技を作りやすくなります。特に二人の掛け合いを一つの台本から作れる点は、音声コンテンツの制作手順を変える可能性があります。

一方で、声は本人らしさと結びつくため、便利さだけでは評価できません。Googleは、生成音声すべてにSynthIDという見えない透かしを入れ、音声複製には同意確認とC2PAの認証情報を使うと説明しています。これは安全策の設計を示すものですが、実際の運用結果まで証明するものではありません。

確認できたこと

新モデルはGoogle AI StudioとGemini APIで開発者向けに順次提供され、Gemini NotebookやGoogle Vidsにも展開されます。Gemini EnterpriseのAPI提供は今後です。音声複製はイリノイ州、テキサス州、欧州経済領域、英国、スイス、インドでは利用できないと明記されています。

性能については、GoogleがHume AIのVoice Design BenchmarkでFlash TTSが首位になったことや、Voice Arenaの人間による比較評価で複数言語の上位に入ったことを紹介しています。これはGoogleが示した評価結果です。Hacker Newsでは記事が275ポイント、125コメントを集めました。ただし、これらはコミュニティの注目度であり、元発表の正しさを証明する数字ではありません。Hacker Newsの投稿

まだ分からないこと

この発表だけでは、料金、APIの利用上限、長時間音声での品質、各言語の実際の聞こえ方は分かりません。SynthIDがどのような条件で検出できるのか、同意確認がサービス上でどこまで機能するのかも、独立した検証が必要です。

次に見る点

今後は、Googleのベンチマーク以外の比較試験、特に日本語を含む各言語での評価に注目したいところです。開発者向けの価格と制限、地域ごとの提供状況、声の権利を守る仕組みが実際にどう運用されるかも重要になります。